5  Forêts

On veut aussi observer des événements de déforestation qui auraient eu lieu récemment. Pour cela, nous utilisons le jeu de données GFC. Ce jeu de données est dérivé des observations de Landsat, permettant de cartographier les étendues forestières et de suivre les changements au fil du temps à l’échelle mondiale avec une résolution de 30 mètres (Hansen et al. 2013). Ce jeu de données distingue entre la couverture forestière en 2000 et les pertes survenues chaque année de 2001 à 2022. C’est un outil pratique qui a été largement adopté pour évaluer l’impact des zones protégées sur la perte forestière. Cependant, le jeu de données du GFC a des limites, dont des erreurs potentielles de classification pour les écosystèmes forestiers atypiques ou les difficultés à distinguer entre forêt naturelle et plantations d’arbres. Ces défis pourraient s’avérer cruciaux pour les biomes secs où le jeu de données sur la couverture forestière mondiale est connu pour sous-estimer la couverture et la perte forestière. Ci-dessous, nous présentons les données les plus récentes disponibles, en distinguant les pertes de couverture forestière survenues avant 2022 et celles survenues entre 2022 et 2024.

# Ci-dessous les librairies R utilisées pour cette analyse
library(tidyverse) # pour la manipulation et visualisation de données
library(sf) # pour traiter les données spatiales
library(tmap) # pour générer des cartes
library(aws.s3) # Pour accéder aux données volumineuses stockées en ligne
library(geodata) # Pour avoir les frontières administratives
library(curl) # Pour télécharge
library(lubridate) # Pour manipuler des dates
library(httr)
library(mapme.biodiversity)
library(units)

# Create a dataframe of the coordinates
coordinates <- data.frame(
  location = c("Beroroha", "Beronono", "Tsivoko", "Makaykely"),
  latitude = c("21°40.504’S", "21°21.669’S", "21°17.712’S", "21°28.074’S"),
  longitude = c("45°9.571’E", "45°14.885’E", "45°22.732’E", "45°21.896’E")
)

# Function to parse DMS and convert to decimal degrees
ddm_to_decimal <- function(dms){
  # Extraire les degrés, minutes et secondes
  parts <- regmatches(dms, gregexpr("[0-9.]+", dms))[[1]]
  degree <- as.numeric(parts[1])
  minute <- as.numeric(parts[2]) / 60
  direction <- ifelse(grepl("S|W", dms), -1, 1)
  
  # Converstion au format décimal
  decimal <- direction * (degree + minute)
  
  return(decimal)
}


# Apply function to each coordinate
coordinates$latitude_decimal <- sapply(coordinates$latitude, ddm_to_decimal)
coordinates$longitude_decimal <- sapply(coordinates$longitude, ddm_to_decimal)

# Convertir les coordonnées en objet sf
coordinates_sf <- st_as_sf(coordinates, 
                           coords = c("longitude_decimal", "latitude_decimal"), 
                           crs = 4326)


makay_ap <- st_read("data/Makay_wgs84.geojson", quiet = TRUE) %>%
  rename(Statut = SOURCETHM) %>%
  mutate(Statut = recode(Statut, "zone tampon" = "Zone tampon"))

# Fusion des différentes aires
makay_union <- makay_ap %>%
  st_union() %>%
  st_sf() %>%
  st_make_valid()


buff_size <- 20
  # Create a 20km buffer around Makay PA
  buffer <- makay_union %>%
    st_buffer(dist = set_units(buff_size, km)) %>%
    st_as_sf() 
  makay_ext_buffer <- buffer %>%
    st_difference(makay_union)
  
  aoi <- makay_union %>%
    bind_rows(makay_ext_buffer) %>% 
    st_cast("POLYGON") %>%
    mutate(name = c("Makay", "Périphérie 20km"))
  
  tc_2000 <- rast("/vsis3/projet-betsaka/diffusion/PA-impact-on-deforestation/mapme/gfw_treecover/Hansen_GFC-2024-v1.12_treecover2000_20S_040E.tif") %>%
    crop(buffer)  %>%
    aggregate(fact = 4, fun = max)

|---------|---------|---------|---------|
=========================================
                                          

  lossyear <- rast("/vsis3/projet-betsaka/diffusion/PA-impact-on-deforestation/mapme/gfw_lossyear/Hansen_GFC-2024-v1.12_lossyear_20S_040E.tif") %>%
    crop(buffer) %>%
    aggregate(fact = 4, fun = max)

|---------|---------|---------|---------|
=========================================
                                          

  loss <- lossyear
  values(loss) <- ifelse(values(lossyear) > 0, 1, NA)
  loss_recent <- lossyear
  values(loss_recent) <- ifelse(values(lossyear) > 21, 1, NA)
  
  tmap_mode("view")
  tm_shape(tc_2000) +
    tm_raster(title = "Forest cover in 2000 (%)", palette = "YlGn", style = "cont") +
    tm_shape(loss) + 
    tm_raster(title = "Forest cover loss 2001-2021", 
              style = "cat", breaks = c(0, 0.5, 1.5), palette = "red") +
    tm_shape(loss_recent) + 
    tm_raster(title = "Forest cover loss 2022-2024", 
              style = "cat", breaks = c(0, 0.5, 1.5), palette = "purple") +
    tm_shape(makay_union) + 
    tm_borders(col = "darkblue") + 
    tm_layout(legend.outside = TRUE) + 
    tm_add_legend(type = "line", labels = "Makay PA delimitation", 
                  col = "darkblue") + 
    tm_shape(coordinates_sf) +
    tm_dots(col = "black", size = 0.1, labels = coordinates_sf$location) +
    tm_text(text = "location", ymod = -0.5) +
    tm_view(set.view = c(10)) +
    tm_scale_bar()

Couvert forestier en 2000 et perte de couvert forestier depuis (source: GFC)

On observe sur ces données les éléments suivants: Peu de déforestation relevée en général. PRatiquement pas de points récents, hormis une occurence à 1km au Sud de Tsivoko et plus d’occurrence à une dizaine de kilomètres au Sud Est de Tsivoko.Quelques points plus anciens sont à signaler au Nord de Beronono.